写在前头

大家曾经有没有遇过日常技术交流的时候，会讨论某某技术之间的关系是什么，某些技术是否应该用到微服务。我相信热爱技术交流的您，就算不是在微服务这里领域，或多或少都会跟其他同行会做一些争议话题的探讨，而且我敢肯定这些讨论绝对热火朝天。

今天我想从微服务的4个比较火热的话题进行出发，与大家分享我对微服务的一些个人见解，这4个话题分别是：微服务来带的新问题、微服务与SOA、微服务与DDD、是否有必要引入聚合层。这里部分话题，在业界会存在一定的争议性，例如DDD的引入、微服务与SOA的关系。

一千个人眼中有一千个哈姆雷特，不同的人以不同的视角去看待这些问题，都会拥有不同观点与答案。观点上，咱们求同存异，不盲目遵从别人的想法，也不自以为是的把自己当成标准。

当然了，我并不会为了个人见解而故意制造观点与话题，更不会把我所有的观点当成一个“所谓的”标准。因此在该篇文章，我会把多处理收集的资料梳理好放到文内，有理有据地结合自己的见解与大家分享一二。

这些内容可能是大家日常容易混淆的，也可能是大家多次纠结不知道如何做出选择，因此我希望通过我该篇文章的分享，能给大家带来新的观点上的碰撞，或是见解上的共鸣。

微服务带来的新问题

做技术选型就如网上购物一样，即使知道了它的优点，还得看看它的差评。我们得多方面评估，事先知道团队与业务是否能抵御与承受“坑”的风险。

既然任何一样技术都无法成为软件工程的银弹，那么必然解决了某种问题的同时，也会带来一些新问题，微服务也不例外。我回顾了下当时我实施时的难点确实有不少。不过，我个人认为微服务给我们带来最核心的问题主要有三点，两文化与一思维：

自动化文化
可观测性文化
分布式系统思维

上面这三个问题，每个的内容单独拿来出讲的篇幅，都足以出一篇完整的文章甚至是书，基于此我会挑一些重点和大家分享。当然，几乎每部分的文末，我会放入相关内容的文章外链，如果大家有兴趣可以自行扩展阅读。

自动化：避免重复的人力劳动

任何的架构模式，也是需要同等的开发模式与之配合的，随着应用的拆分后服务的数量由量变引起质变，因而需要接受自动化来代替从前的“人工处理”，包括服务的部署、服务注册发现等等。自动化，是软件工程的其中一种处理手段，允许团队采用主流的工具、流程形成一套自动化机制，从而减少重复性工作、减少人力干预的不确定性因素。

这里说说我对软件工程的理解：通过多人协作、有目标、有步骤、有计划的，并使用科学方法论指导开发与维护程序的这个过程，也可以换成一条公式表达：软件工程 = 工具 + 流程 + 模式。

无论是我们讨论的这些“事”、技术工具，还是流程制度都是需要人（团队组织）的参与，人的延申就是团队与文化，就如上述所说的软件工程是多人协作的工作，只有当然团队目标一致，共同负责承担团队的项目，共同接受同一种文化才能很好的实施自动化。

我简单举个例子：如同多匹马拉车一样，只有它们都有共同的目标的时候，才能快速拉车到目的，如果它们一匹向东一匹西，只会让马车无法前行甚至四分五裂。

说到这里有些人觉得疑惑，自动化这种能给团队省时省力、减少重复工作量、增加幸福度的技术难道还有人或者团队会抗拒的？是的，还真的有。

我曾经就接触过几个团队的Leader，他们的团队都是推行自动化失败了，失败的原因就在于成员不配合，成员拒绝配合的理由是：没有自己亲手去做总觉得机器不靠谱。我们先忽略他们的想法是对是错，回到团队与文化，从上面可知，统一团队的目标一致性是有必要的，作为技术领导者推行优良的方案，是我们的职责之一。如果团队成员无法配合，导致推行受阻，我们一共有三种应对策略：激励、考核和逐步试行。

如果有条件的公司可以设置奖金激励，如果有绩效考核的，可以将自动化的实施纳入考核目标，如果这俩都没有，那就选取团队里愿意改变的同事牵头试行，假如使用过后都说好，那么会更有说服力。　

这部分就说到这里吧，基于此话题的内容比较多，广而泛，篇幅有限。

可观测性：提高团队对系统运作的信息量

如果说自动化是给团队带来稳定性，减轻工作量的，那么可观测性就是提高团队对系统运作的信息量。建立可观测性的这项工作，虽然无法直接给系统带来健壮性，但能够使我们通过这些信息充分地了解到系统正在运作的情况，以至于最大程度地做出最合适的定位、判断与决策。

在单体应用的场景下，我们也是需要可观测性的，但是单体的架构相对简单，项目调试也更加便捷，无论是从复杂度和规模的角度来看，单体跟微服务相比都要低不少，也因此单体对可观测性的需要，相比于微服务显得没那么重要。

而我们只要进行了微服务实施后，因为应用被拆分成了细粒度，从而导致了架构从量变引起质变，这个时候可观测性的作用在微服务场景下被“无限放大”，也因此我们利用"可观测性"，给与我们提供应用与服务器的监控、快速跟踪与问题定位的功能。

可观测性——可以由系统的外部输出推断其内部状态的程度，在软件系统中，可观察性是指能够收集有关程序执行、模块内部状态以及组件之间通信的数据　　

而可观测性三个维度组成：日志（logging）、跟踪（ tracing）、指标（Metrics）。

日志（logging）的定义特征是它记录离散事件，目的是通过这些记录后分析出程序的行为。

跟踪（ tracing）的定义特征是它处理请求范围内的信息，目的是排查故障。

指标（Metrics）的定义特征是它们是可聚合的，目的是监控和预警。

可观测性	类型	名称
跟踪（ tracing）	分布式链路跟踪	SkyWalking
日志（logging）	日志系统	ES+Filebeat+kibana
指标（Metrics）	系统监控	Prometheus

因此基于上述总结，有日志记录才能清楚知道当前系统的运行状况和具体问题；指标是给与后续做优化和定位偶发性问题的一些参考，没指标参考就没标准；我们平常做得多的调试、查看调用栈也是跟踪的一种，但是在分布式时代，更多考量的是跨进程通信的调用链路。

日常有小伙伴曾问过我，如果出了那些很奇怪的问题，应该怎么定位、排查，本质上其实还是得提高我们对这个问题或系统的信息量。

例如：是哪个模块、接口出问题？具体服务器表现的情况是怎样？CPU还是IOPS高？具体报错是什么？

你看，说白了还是可观测性的三个要素日志、跟踪、指标。我们在工作中只有灵活结合这三者，才能提高我们对系统运行情况的信息量，信息量越高思考的越是更加全面，才能尽可能地减少“不知道问题出在哪”的状况，所以当我们不清楚具体发生问题的原因时，建议你侧重做一件事：就是尽可能想办法，提高我们对问题与系统的信息量。

新思维：不可避免的分布式系统问题

上文的自动化和可观测性，主要偏向于运维层面，而作为后端开发人员更加关注的是数据与应用服务的层面，特别是服务的拆分后，数据的一致性该如何处理。我相信这问题困扰着不少的后端开发，接下来我将从幂等性、数据的一致性的读与写三个方向，跟大家分享一二。

幂等性

幂等性的定义——相同的参数在同一个方法里，无论执行一次还是多次都会响应相同的结果

对于查询和删除的场景都有天然的幂等性，那么我们考虑幂等性的处理，更多是关注于新增数据与更新数据。

新增数据缺乏幂等性，则会因为网络抖动导致请求重试或者是客户端重复点击，而引发的数据写入重复，其解决方案也相对简单，只要从客户端生成主键传给后端API 就可以解决，在这里得注意一点，只有请求成功或者主动刷新才会重新生成主键。

更新数据缺乏幂等性，主要会造成两种情况，数值错误自增和ABA问题。首先，数值错误自增，可以结合事务凭据与新增幂等性的方式解决。

而ABA问题，解决方案相对简单，可以在更新操作时带上版本号判断进行解决。

ABA问题

对某条记录先更新了A数据，紧接着又更新了B数据，理应是B是最新的，但是因为其他客观原因使接口Retry或者别的问题，导致A数据再次请求覆盖了B。

幂等性处理方案
场景	问题	方案
新建数据	重复创建	由调用端预生成订单号，唯一键约束
更新数据	ABA覆盖问题	添加版本号判断
更新数据	金额自增	使用流水凭据

数据一致性（读）

数据一致性读，其实说白了就是做数据关联，从我过往用的解决方案来看共有三种，应用层的接口聚合数据、把更新频率低的字段冗余存储、把数据库同步到一台服务器进行SQL联表处理，每种方式各有优缺点，我结合切身体会和过往经验，以表格方式整理呈现出来，你可以根据业务场景自行选择解决方案。

数据关联方案
方案名称	方案描述	优点	缺点
应用层数据聚合	分别调用查询API，在业务逻辑层组装，适用于简单的关联。	实现简单	该方案只能适合简单的查询过滤，以主表为驱动的关联
冗余设计（反范式）	在目标表添加冗余字段，适用于记录递增的，不适用于冗余字段更新频繁，实现起来简单，有扩展性问题	实现简单，以应用层数据聚合方案有更多的过滤条件	冗余的字段如果更新存在同步问题，该方案适用于更新频繁少的递增日志类数据
数据库从库集成	通过主从同步把相关表同步到一台服务器做跨库查询，适用于复杂查询、报表类的，有技术复杂度，从长远收益来看能应对多种场景	通过强大的SQL解决复杂的报表类查询	拥有技术复杂度，需要数据库主从处理

数据一致性（写）

写的数据一致性，其实就是分布式事务，主流的方案有TCC、本地消息表（基于消息可靠的最终一致性）、异步请求/回调。其他的多数是基于以上几种方法的变种，例如RocketMQ的消息事务，就是TCC+本地消息表的变种。

分布式事务方案，用文字描述起来相对比较吃力，因此我通过流程图代替文字描述展示给大家。下方表格是我对这三种方案的优缺点与使用场景的总结。

分布式事务方案
名称	场景	优点	缺点
异步请求/回调	跨网络环境、同网络环境	实现简单	强业务
TCC	跨网络环境、同网络环境	有现成的框架、实现简单	强业务
基于消息可靠的最终一致性	同网络环境	有现成的框架、通用性强	中间件依赖